reorg(dsa,#13504): renommage hub DataScienceWithAgents + sous-repertoires — plan en 5 tranches avec gate de sequencement (mandat user 2026-09-22)

[jsboige]

Sous-EPIC de #13504. Mandat user session directe du 2026-09-22 : « il y a certains répertoires hub à renommer, et ça va être pénible, le plus tôt est le mieux. Par exemple DataScienceWithAgents, et ses sous-répertoires mériteraient un renommage. »

Constat — trois hétérogénéités de nommage dans un seul hub

MyIA.AI.Notebooks/ML/DataScienceWithAgents/ mêle :

Sous-répertoire	Convention	Remarque
01-PythonForDataScience	NN-Title EN	contient notebooks/ + tests/
02-ML-Cours	NN-Title FR	notebooks en 2.1..2.14d décimal point — seule série du dépôt dans cette forme (le canon est <Prefixe>-<num><lettre>, cf #5081)
03-DeepLearning	NN-Title EN	—
04-Vision · 04b-Wavelet-Scattering	NN + accretion lettre sur le répertoire	l'accretion lettre au niveau RÉPERTOIRE est unique au dépôt (canon : lettre sur le notebook)
Track1-LangChain (Day1-3) · Track2-GoogleADK (Day4-7)	TrackN-Outil + DayN-*	immersif bootcamp, disjoint du NN- des 01-04

Le hub lui-même (DataScienceWithAgents, CamelCase sans trait d'union, 22 caractères) est le plus long nom de série du dépôt et ne dit pas ce que la zone EST pédagogiquement (c'est le socle Python/ML/DL/Vision + deux tracks agents).

Séquencement (HARD, gate §5.4 de la règle renum)

Deux PRs ouvertes touchent les Tracks au 2026-09-22 : #17401 (Lab8, Track2-GoogleADK, #17391) et #17392 (Lab6, Track1-LangChain, #17387). Le renommage des répertoires Track* attend leur merge — nommer la gate dans chaque tranche. Les répertoires 01-..04b ne portent aucune PR ouverte (vérifié) et peuvent partir en premier.

Plan par tranches (une PR par tranche, ordre du moins au plus casse-cou)

1. T1 — inventaire des référents (issue de mesure, pas de renommage) : navlinks intra-hub, READMEs (ML/, hub, sous-séries, racine), _quarto.yml, docs/curriculum/*, baselines JSON, translations/** (colonnes notebook des CSV concernés), catalogues étudiants si référents (le catalogue EPF couvre GenAI/** — vérifier si DSA y est référencé, la surface EPF/V06 (P1) -- la renumerotation #15085 casse 9 liens du catalogue etudiant, hors portee des trois organes de balayage #15289 est le précédent), COURSE_CATALOG.generated.* (automatisation seule).
2. T2 — sous-répertoires 01-..04b vers le nommage arbitré (voir options).
3. T3 — notebooks 2.N → canon <Prefixe>-<num><lettre> (le gros lot : ~25 notebooks dans 02-ML-Cours, mapping table dans l'issue fille AVANT la PR, protocole §5 intégral).
4. T4 — Tracks après merge de docs(notebook,#17391): Lab8 — lecture ancrée sur la réponse ADK erronée (Capteurs/Processeur/Actionneurs) #17401/fix(langchain,#17387): Lab6-First-Agent — nav fusionnée canon Lab7, réponse de l'agent montée (16), ordre canon, Exercice 4 numéroté — redressement #17040 #17392 : TrackN-Outil/DayN → à arbitrer (les Day* portent une sémantique bootcamp qui peut se garder).
5. T5 — le hub lui-même, en dernier (blast radius maximal : chemins absolus dans les forks projets étudiants potentiels, liens externes).

Options de nommage à arbitrer (user)

Le choix des NOMS CIBLES est un arbitrage user — les options, pas la décision :

• Hub : (a) ML/DataScience/ (court, mais perd « Agents ») · (b) ML/DataScience-With-Agents/ (kebab-case cohérent dépôt) · (c) conserver le nom, ne renommer que les sous-répertoires.
• Sous-répertoires 01-04 : garder le NN- (cohérent avec Search/PartN-* ?) ou passer à un préfixe série par sous-répertoire (DSA-01-...).
• 2.N → canon : 2.11b devient MLCours-11b-* ? DSA-2-11b-* ? À trancher avec Remise d'aplomb de la nomenclature des notebooks — suffixe noyau, sans-numero, profondeur d'accretion #16231 (padding).

Arbitrage inscrit au registre des questions user (pull, pas push) — les tranches T1/T2 ne sont pas bloquées : T1 est un inventaire, T2 n'a besoin que des noms de sous-répertoires (option la moins sensible : kebab-case des noms actuels sans changement sémantique).

Acceptance (par tranche)

• T1 : inventaire complet posté en commentaire de cette issue (fichier × type de référence)
• Chaque tranche de renommage : git mv seul, zéro changement de contenu, mapping table préalable, 5 organes de liens verts, baselines sans clés orphelines, comptes périmètre re-comptés (pulls/N/files --paginate)
• Hub rename (T5) : vérification des référents hors dépôt AVANT le geste

Voir #13504 (umbrella DSA) · #5081 (nommage canonique) · #16231 (padding) · règle .claude/rules/notebook-accretion-numbering.md.

[jsboige]

[CLAIMED] lane myia-po-2026:CoursIA — tranche T1 seule (inventaire des référents, issue de mesure).

Périmètre : aucun fichier du dépôt. Le livrable de T1 est un commentaire d'inventaire sur cette issue, conformément à l'acceptance. Les tranches T2-T5 (renommages) ne sont pas revendiquées ici et je n'y toucherai pas.

Ce que je vais mesurer (et ce que je ne supposerai pas) : pour chaque nom de répertoire du hub (DataScienceWithAgents, 01-PythonForDataScience, 02-ML-Cours, 03-DeepLearning, 04-Vision, 04b-Wavelet-Scattering, Track1-LangChain, Track2-GoogleADK), l'ensemble des référents du dépôt classés par type (navlinks/README, _quarto.yml, docs/curriculum/*, baselines JSON, translations/**, catalogues étudiants, COURSE_CATALOG.generated.* distingué comme propriété de l'automatisation), avec le compte d'occurrences et de fichiers par type — plus la commande exacte utilisée, pour que le chiffre soit rejouable.

Un point de méthode, dit d'avance : la gate §5.4 de cette issue affirme « les répertoires 01-..04b ne portent aucune PR ouverte (vérifié) ». Mon préflight à l'instant trouve plusieurs PRs ouvertes référençant le hub (dont #17053 « redressement paquet P10 — DataScienceWithAgents (12 notebooks) », #16918, #16922, #16929, #16516/#16517, #17146, #16832, #17019). Je mesurerai par sous-répertoire avant de conclure : si des PRs ouvertes portent des fichiers sous 01-..04b, la gate telle qu'écrite est fausse et je le dirai avec les chemins, parce qu'un renommage lancé sur une gate fausse collisionne avec tout le monde.

[jsboige]

[T1] Inventaire des référents du hub DataScienceWithAgents — mesure sur origin/main @ 7bf5e6bfa5

Périmètre tenu : aucun fichier du dépôt modifié par cette tranche (livrable = ce commentaire, conformément à l'acceptance de l'issue). T2→T5 ne sont pas touchées.

0. Une mise en garde de méthode, avant les chiffres

Toutes les mesures ci-dessous sont prises sur le ref origin/main, via git grep -c -I -e <motif> origin/main et git ls-tree -r origin/main — jamais sur un checkout de travail.

Raison, et c'est le premier piège de cette EPIC : mon checkout principal est à 7 504 commits de origin/main. Une première passe faite dessus (avant que je m'en aperçoive) ne voyait que 66 fichiers et 5 sous-répertoires dans le hub — sans 03-DeepLearning, 04-Vision, 04b-Wavelet-Scattering, ni les deux Track*, qui n'existaient pas encore dans cet arbre. Un inventaire, un comptage ou une vérification de liens fait depuis un arbre en retard conclut faux, et un renommage guidé par lui casse des liens qu'il n'a jamais vus. Toute tranche de renommage doit re-vérifier les 5 organes de liens depuis un arbre frais (l'acceptance le dit ; ceci est le pourquoi mesuré).

1. Taille du hub (autorité : git ls-tree -r origin/main -- MyIA.AI.Notebooks/ML/DataScienceWithAgents/)

Sous-répertoire	Fichiers
(racine du hub)	1
01-PythonForDataScience	5
02-ML-Cours	44
03-DeepLearning	22
04-Vision	11
04b-Wavelet-Scattering	7
Track1-LangChain	24
Track2-GoogleADK	32
Total	146, dont 90 notebooks

2. Référents par nom — occurrence et fichiers, par type

git grep -c -I -e <motif> origin/main, agrégé par nature de fichier. Un motif peut apparaître plusieurs fois dans un même fichier : la colonne « occurrences » compte les occurrences, pas les fichiers.

Motif	Fichiers	Occurrences	Répartition par type
DataScienceWithAgents	109	1 563	TRADUCTIONS 961 · CATALOGUE_AUTO 176 · DOCS 99 · SCRIPTS 86 · HUB_INTRA 74 · QUARTO 65 · README 50 · AUTRES 44 · CI 8
02-ML-Cours	62	518	TRADUCTIONS 243 · HUB_INTRA 88 · CATALOGUE_AUTO 42 · README 38 · SCRIPTS 33 · DOCS 28 · AUTRES 24 · QUARTO 22
Track2-GoogleADK	49	533	TRADUCTIONS 353 · HUB_INTRA 64 · DOCS 29 · CATALOGUE_AUTO 28 · SCRIPTS 27 · QUARTO 12 · CI 8 · README 8 · AUTRES 4
Track1-LangChain	29	439	TRADUCTIONS 345 · HUB_INTRA 26 · SCRIPTS 19 · DOCS 16 · CATALOGUE_AUTO 14 · QUARTO 13 · README 4 · AUTRES 2
03-DeepLearning	35	116	HUB_INTRA 60 · CATALOGUE_AUTO 20 · QUARTO 11 · DOCS 11 · AUTRES 5 · SCRIPTS 5 · README 3 · CI 1
01-PythonForDataScience	25	80	TRADUCTIONS 38 · HUB_INTRA 14 · DOCS 8 · SCRIPTS 6 · README 5 · CATALOGUE_AUTO 4 · CI 2 · QUARTO 2 · AUTRES 1
04-Vision	21	53	HUB_INTRA 30 · CATALOGUE_AUTO 8 · README 4 · QUARTO 4 · DOCS 4 · AUTRES 2 · SCRIPTS 1
04b-Wavelet-Scattering	5	12	100 % HUB_INTRA (aucun référent hors du hub)

Lecture, et c'est le résultat qui compte pour le plan : la surface n'est pas dominée par les README (112 occurrences au total) mais par translations/** (1 940 occurrences) et par le catalogue généré (292). Un renommage qui ne traiterait que les README laisserait ~2 200 références derrière lui.

3. Détail nommé, par type

3.1 translations/** — 4 fichiers, 1 940 occurrences (surface dominante)

Occurrences	Fichier
1 928	translations/ml-datascience/ml-datascience.csv
9	translations/ml-datascience/README.md
2	translations/symbolicai-lean/symbolicai-lean.csv
1	translations/README.md

Le CSV ml-datascience porte à lui seul 1 928 références (colonne notebook). Le tableau de correspondance de T2/T3/T5 devra être appliqué à cette colonne : c'est le plus gros consommateur de chemins du dépôt pour ce hub, et le seul dont une erreur ne se voit pas dans un diff de README.

3.2 COURSE_CATALOG.generated.* — 2 fichiers, 292 occurrences (propriété de l'automatisation)

Occurrences	Fichier
174	COURSE_CATALOG.generated.json
118	COURSE_CATALOG.generated.md

À ne pas éditer à la main (règle catalog-pr-hygiene) : la régénération est portée par le cron et par la CI par-PR (_merge_curated_fields). Toute tranche doit laisser ces deux fichiers byte-identiques et vérifier après coup que la régénération a bien repris les nouveaux chemins.

3.3 _quarto.yml — 1 fichier, 129 occurrences

Le plus gros référent unique hors traductions et catalogue. Le rendu Quarto est le premier consommateur à casser (chemins de chapitres).

3.4 README — 6 fichiers, 112 occurrences

Occurrences	Fichier
96	MyIA.AI.Notebooks/ML/README.md
10	MyIA.AI.Notebooks/ML/learning_theory_lean/README.md
2	MyIA.AI.Notebooks/GenAI/Texte/TransformerVariants/README.md
2	MyIA.AI.Notebooks/ML/ML.Net/README.md
1	MyIA.AI.Notebooks/README.md
1	README.md (racine)

3.5 docs/** — 15 fichiers, 195 occurrences

Les plus porteurs : docs/curriculum/trading.md (115), docs/ledgers/3801-sota-axe2.md (29), docs/archive/ledgers-reviews/* (relevés du passif — cf. §6), docs/notebook-metadata/DATASET_REGISTRY.md (11), docs/audit/workflow-path-filters/latest.json (6), docs/reference/quant-prose-census.md (5), docs/reference/notebook-enricher-guide.md (4), docs/curriculum/_inventory.md (2), puis 7 fichiers à 1-3 occurrences.

3.6 scripts/** — 24 fichiers, 177 occurrences, dont les baselines

Occurrences	Fichier	Nature
56	scripts/notebook_tools/pedagogy_density_baseline.json	baseline à clés
32	scripts/notebook_tools/tests/test_scan_quant_classify.py	test
16	scripts/results/arxiv_rescan_2026-09-03.json	relevé daté
11	scripts/tests/test_series_saturation.py	test
9	scripts/notebook_tools/golden_set.yml	baseline à clés
6	scripts/secrets/render_envs.py + son test	générique (motif large)
6	scripts/series_saturation.py	outil
4	scripts/notebook_tools/md_hierarchy_baseline.json	baseline à clés
2	scripts/check_testpaths_coverage.py	outil
1	scripts/validation/matrix.yml	baseline à clés
1	scripts/check_pr_perimeter.py + son test	organe (motif d'exemple)
…	12 autres fichiers à 1-2 occurrences	_fix_*, tests, scanners

Ce sont ces 4 baselines (pedagogy_density_baseline.json, golden_set.yml, md_hierarchy_baseline.json, validation/matrix.yml) que l'acceptance vise par « baselines sans clés orphelines » : leurs clés portent le chemin, donc un git mv les rend orphelines sans que rien ne rougisse (un seuil orphelin ne s'applique simplement plus). À re-keyer dans la même PR que le git mv.

3.7 .github/workflows/** — 3 fichiers, 19 occurrences

scripts-tests.yml (14), arxiv-attributions-guard.yml (4), genai-helpers-tests.yml (1). À croiser avec pytest.ini (2 occurrences) : c'est le couple qui définit quels tests tournent sur les notebooks du hub.

3.8 HUB_INTRA (navlinks internes au hub) — 78 fichiers, 368 occurrences

Les 7 plus porteurs : README.md du hub (92), 04-Vision/README.md (14), 02-ML-Cours/README.md (12), 03-DeepLearning/README.md (11), 01-PythonForDataScience/README.md (10), Track2-GoogleADK/README.md (10), Track1-LangChain/README.md (8) — puis les notebooks eux-mêmes (ex. 04-Vision/4.1-Conv-NumPy-Torch-Allclose.ipynb 8, 04-Vision/4.3-TransferLearning-ResNet.ipynb 8, Track2-GoogleADK/Day4-Foundations/Lab8-ADK-Introduction.ipynb 8), 66 autres fichiers.

Point notable : 04b-Wavelet-Scattering n'a aucun référent hors du hub (12 occurrences, toutes internes) et 04-Vision en a très peu hors hub (23). Ce sont les deux sous-répertoires dont le renommage a le plus faible blast radius externe.

3.9 AUTRES — 18 fichiers, 82 occurrences

slides/06-apprentissage/slides.md (22), slides/S3-acculturation/slides.md (14), MyIA.AI.Notebooks/ML/assets/readme/MANIFEST.md (6), arxiv_attributions_registry.yaml (6), + 5 assets/readme/MANIFEST.md d'autres séries (1-4 chacun), pytest.ini (2), slides/01-introduction/slides.md (2), et 7 fichiers à 1-2 occurrences (dont .lean i18n GradientFlow.lean/GradientFlow_en.lean par paires — un renommage devra traiter les deux).

4. Les surfaces de l'acceptance, présence/absence mesurée

Surface citée par T1	Mesure
navlinks intra-hub	368 occurrences / 78 fichiers (§3.8)
READMEs (ML/, hub, sous-séries, racine)	112 / 6 (§3.4)
_quarto.yml	129 / 1 (§3.3)
docs/curriculum/*	inclus dans les 195 de docs/**, dont curriculum/trading.md 115 et _inventory.md 2
baselines JSON	4 fichiers à clés identifiés (§3.6)
translations/** (colonne notebook)	1 940 / 4, dont 1 928 dans ml-datascience.csv (§3.1)
catalogues étudiants si référents	aucun référent in-repo : git grep -l -e DataScienceWithAgents -e 02-ML-Cours origin/main -- GradeBookApp/ → vide. Le catalogue EPF vit hors dépôt (GDrive privé) → non mesurable depuis ici ; à traiter avant T5 seulement, et par un porteur qui a l'accès
COURSE_CATALOG.generated.*	292 / 2, distingué comme propriété de l'automatisation (§3.2)

5. Correction de la gate §5.4 — mesurée, pas supposée

La gate de séquencement de cette issue (§5.4) dit, verbatim :

« Les répertoires 01-..04b ne portent aucune PR ouverte (vérifié) et peuvent partir en premier. »

Mesure : c'est faux, et ce n'était pas seulement devenu faux. Scan de la totalité des 325 PRs ouvertes (search/issues?type:pr+state:open → 325 numéros, puis repos/.../pulls/<n>/files?per_page=100 --paginate pour chacune, filtre filename ~ /DataScienceWithAgents/).

5.1 Les 21 PRs ouvertes qui touchent 01-..04b

PR	créée	sous-répertoire(s)	fichiers	titre
#16219	2026-09-14	03-DeepLearning	2	3.9d notebook distillation from scratch (+12.6 σ sur 3 graines)
#16376	2026-09-16	03-DeepLearning	2	Rename(#16231): suffixe noyau canonique -Python
#16663	2026-09-18	04-Vision	2	notebook 4.2i YOLO sur scènes difficiles (renum., mAP50-95)
#16832	2026-09-19	02-ML-Cours	2	2.9c-Grokking-Diagrammes-Phases — les 4 phases de R02
#16858	2026-09-19	03-DeepLearning	1	clôture str→list — 55 cellules, garde byte-identity
#16918	2026-09-19	03-DeepLearning	2	densité 3.6b + Lab11-Planner-Coder
#16922	2026-09-19	03-DeepLearning	2	densité 3.6c-Diffusion + Lab12-DS-Star
#16929	2026-09-19	03-DeepLearning	2	densité 3.7-Distillation + Lab12e-Session-Persistence
#16932	2026-09-20	04-Vision	1	4.2f déterminisme — double-pass bit-stable CUDA
#17019	2026-09-20	02-ML-Cours	2	2.9e MIPS — du réseau au programme vérifié
#17053	2026-09-20	01-PythonForDataScience + 02-ML-Cours	12	redressement paquet P10 (12 notebooks, 61 cellules Lecture)
#17142	2026-09-21	03-DeepLearning	1	callouts HINT-AS-HEADING — 9 notebooks
#17160	2026-09-21	04-Vision	1	note méthodologique mAP50-95 dans 4.2g
#17184	2026-09-21	04-Vision	1	verdict frontières 4.2g vs 4.2h (pas de fusion)
#17296	2026-09-21	02-ML-Cours	1	instruments arXiv à trois états + rescan daté
#17329	2026-09-21	03-DeepLearning	1	densité 3.9c-Pruning-From-Scratch
#17344	2026-09-22	04b-Wavelet-Scattering	1	densité WS-01-Denoising-SOTA
#17350	2026-09-22	04-Vision	1	densité 4.2h-YOLOv5-Bench
#17365	2026-09-22	03-DeepLearning	2	3.9b absorbe le contrepoint torch.nn.utils.prune
#17382	2026-09-22	01-PythonForDataScience	1	renumérotation exercices 1.2-NumPy
#17389	2026-09-22	03-DeepLearning	1	3.8-Contrastives — promesses du §9 tenues

21 PRs distinctes, dont 16 créées avant le 2026-09-22 — c'est-à-dire avant la date de cette issue. La plus ancienne, #16219, est ouverte depuis le 2026-09-14, huit jours avant le « (vérifié) ». Ce n'est donc pas une mesure qui aurait dérivé dans la journée : la gate était déjà fausse quand elle a été écrite. Je ne me prononce pas sur la façon dont la vérification a été faite — je constate l'écart entre l'énoncé et l'état mesuré, et le seul fait qui compte pour T2 : l'ensemble de dépendance réel est de 21 PRs, pas de 0.

5.2 L'énumération des Tracks est également incomplète

L'issue dit : « Deux PRs ouvertes touchent les Tracks au 2026-09-22 : #17401 … et #17392 ». Mesure : 13 PRs distinctes.

PR	créée	sous-répertoire(s)	titre
#16516	2026-09-17	Track2-GoogleADK	densité Lab12d-Token-Usage
#16517	2026-09-17	Track2-GoogleADK	densité Lab16-Data-Science-Agent
#16518	2026-09-17	Track2-GoogleADK	densité Lab13-Web-Search-SOTA
#16710	2026-09-18	Track1-LangChain + Track2-GoogleADK	F4a ML — substitution modèles obsolètes
#16918	2026-09-19	Track2-GoogleADK	densité 3.6b + Lab11-Planner-Coder
#16922	2026-09-19	Track2-GoogleADK	densité 3.6c-Diffusion + Lab12-DS-Star
#16929	2026-09-19	Track2-GoogleADK	densité 3.7-Distillation + Lab12e
#17053	2026-09-20	Track2-GoogleADK	redressement paquet P10
#17392	2026-09-22	Track1-LangChain	Lab6-First-Agent — nav fusionnée canon Lab7
#17401	2026-09-22	Track2-GoogleADK	Lab8 — lecture ancrée sur la réponse ADK erronée
#17405	2026-09-22	Track2-GoogleADK	Lab10 — aligner la prose sur le périmètre réel
#17408	2026-09-22	Track2-GoogleADK	Lab14 — réaligner 2 lectures périmées
#17410	2026-09-22	Track2-GoogleADK	Lab16 §7 — adosser les claims à leurs sorties

13 PRs distinctes (dont 8 antérieures au 2026-09-22) là où l'issue en nomme 2. Les deux nommées sont exactes ; la liste est simplement incomplète — et l'écart est concentré sur les PRs de densité #13410, qui réécrivent le contenu des notebooks du hub et sont précisément celles qu'un git mv casse.

Total : 30 PRs ouvertes touchent le hub, dont 20 antérieures à la date de l'issue, sur 325 PRs ouvertes du dépôt.

5.3 Le mode de défaillance n'est pas « un conflit », c'est une réapparition silencieuse

Le scénario redouté par la gate (conflit de merge) n'est pas le pire. Plusieurs des PRs ci-dessus ajoutent un fichier dans un sous-répertoire (#16219 « Add: 3.9d notebook », #16832 « 2.9c-Grokking », #17019 « 2.9e MIPS », #17344, #17350, #17365…). Une PR qui crée un chemin sous 03-DeepLearning/ merge sans conflit après le renommage de ce répertoire : elle recrée l'ancien répertoire à côté du nouveau, et le hub se dédouble. Rien ne rougit, aucun organe ne le voit, et le résultat est un état à deux noms que la tranche suivante devra re-démêler.

C'est ce mode de défaillance qui rend la gate nécessaire, et qui exige qu'elle soit mesurée à l'instant du geste, pas lue dans l'issue.

5.4 La réparation : une gate mesurable, pas une affirmation

La gate est réparable telle quelle — la propriété à vérifier est objective et vérifiable en une commande. Le prédicat de T2 doit être : 0 PR ouverte ne touche de fichier sous 01-..04b, re-mesuré au moment du push, et voici l'outil (les deux budgets REST utilisés sont séparés du GraphQL partagé) :

gh api "search/issues?q=repo:jsboige/CoursIA+type:pr+state:open&per_page=100" --paginate --jq '.items[].number' \
 | while read -r n; do
     gh api "repos/jsboige/CoursIA/pulls/$n/files?per_page=100" --paginate \
       --jq '.[] | select(.filename|test("DataScienceWithAgents/(0[1-4]|Track)")) | .filename'
   done | sort -u

Tant que cette commande rend une ligne, T2 est bloquée par mesure, et le déblocage est un fait observable (les PRs mergent, la liste se vide) plutôt qu'un pari sur une phrase. Je recommande de l'inscrire dans la description de T2 et de remplacer le « (vérifié) » par cette commande, pour que la prochaine gate n'ait pas à être crue.

6. Limites de cette tranche, dites pour qu'on ne s'y appuie pas à tort

• Arbre frais obligatoire : cf. §0. Les chiffres ci-dessus sont valables au commit 7bf5e6bfa5 ; ils bougeront avec les merges en vol.
• Comptage par motif, pas par sémantique : un motif peut apparaître dans un fichier sans être un chemin (titre de README, nom d'affichage, prose). Les occurrences de scripts/secrets/render_envs.py (6) sont de ce type — la liste nommée les distingue, le total ne le fait pas.
• Les docs/archive/** et relevés datés (ledgers-reviews, arxiv_rescan_2026-09-03.json) sont des archives : ils comptent dans le total mais ne devraient probablement pas être réécrits par une tranche (un ledger daté qui affirme un état passé doit rester tel quel).
• Hors dépôt non mesuré : liens externes, forks étudiants (blast radius de T5), catalogue EPF/GDrive.
• Aucune préconisation de nom : les options de nommage restent l'arbitrage user inscrit au registre, hors de cette tranche.
• Le scan du §5 est un plancher, pas un plafond : il couvre les PRs ouvertes (325) ; une branche poussée sans PR, ou une PR fusionnée depuis, n'y figure pas. L'API plafonne aussi files à 3 000 par PR. Ces deux limites vont dans le sens de la conclusion (le vrai ensemble de dépendance ne peut qu'être plus grand), mais un décompte exact au moment de T2 doit être refait — c'est tout l'objet du §5.4.

[myia-ai-01]

Arbitrage user du 2026-09-22 (Q46 du registre) — noms cibles. Verbatim :

« DataScienceWithAgents — c'est pas plutôt ML.Python ou qq chose dans le genre, à côté de ML.Net ? Préfixes de série : l'important, c'est qu'on ait un pattern clair, avec les numéros paddés, les accrétions, les suffixes, etc. »

Les options (a)/(b)/(c) du body sont donc toutes écartées au profit d'un hub frère de ML.Net. Traduction opérable, proposée par ai-01 (la lane qui dresse la table peut l'amender en commentaire, avec son motif, avant toute PR) :

Le pattern

MyIA.AI.Notebooks/ML/ML.Python/<NN>-<Sous-serie>/<Prefixe>-<NN><accretion?>-<Titre>-<Noyau>.ipynb

Élément	Règle
Hub	ML/DataScienceWithAgents/ → ML/ML.Python/ (frère de ML/ML.Net/)
Sous-répertoire	NN-Titre, NN sur 2 chiffres, aucune accrétion au niveau répertoire : 04b-Wavelet-Scattering → 05-Wavelet-Scattering
Préfixe	un par sous-série, distinct de ML- (déjà pris par ML.Net : deux séries ne partagent pas d'identifiant, #12933)
Numéro	2 chiffres (2.1 → 01, 2.11b → 11b, 3.0 → 00), cf. #16231
Accrétion	la lettre existante est conservée telle quelle (la réorganisation des accrétions profondes est le chantier C de #16231, pas celui-ci)
Titre	inchangé, sauf _ → - (seul 01- en porte) — un renommage n'est pas une réécriture de titre
Noyau	suffixe obligatoire, même en série mono-noyau (décision user sur #16231, waiver ICT révoqué) : -Python ; -Lean si le kernelspec est lean4* ; -Lean-Python si c'est du Lean piloté depuis un noyau Python — lu dans le kernelspec, jamais déduit du titre

Préfixes proposés : 01- → PyDS · 02-ML-Cours → MLPy · 03-DeepLearning → DL · 04-Vision → Vision · 05-Wavelet-Scattering → Scat. Tracks (T4) : 06-Agents-LangChain, 07-Agents-GoogleADK, avec les DayN/LabN conservés — leur sémantique bootcamp se garde, la question reste ouverte à la lane.

Exemples : 02-ML-Cours/2.11b-Proximal-Operators-From-Scratch.ipynb → ML.Python/02-ML-Cours/MLPy-11b-Proximal-Operators-From-Scratch-Python.ipynb · 01-PythonForDataScience/notebooks/1.2-Manipulation_de_Donnees_avec_NumPy.ipynb → …/PyDS-02-Manipulation-de-Donnees-avec-NumPy-Python.ipynb.

Ce qui gate le geste — mesuré à 23:55Z

22 PRs ouvertes touchent le hub (#17462, #17421, #17410, #17408, #17405, #17401, #17392, #17389, #17382, #17192, #17184, #17160, #17053, #17019, #16932, #16858, #16832, #16710, #16663, #16518, #16376, #16219). §5.4 : pas de renommage d'un fichier qu'une PR ouverte touche. Un renommage de répertoire touche tous ses fichiers, donc aucune tranche de git mv ne part avant que ces PRs soient mergées ou fermées. Ce n'est pas un blocage du grain : la table de correspondance, elle, ne touche aucun fichier.

Le grain dispatché maintenant

Table de correspondance complète (T2 + T3 + T5, Tracks en option), postée ici en commentaire : chemin actuel → chemin cible, kernelspec lu par fichier, collisions éventuelles, et la liste des PRs ouvertes qui tiennent chaque ligne. Aucun fichier du dépôt modifié. Les git mv suivent quand les lignes se libèrent, une tranche par PR, avec les 5 organes de liens verts et le catalogue byte-identique à main.

Hors périmètre, mais à signaler : ML.Net porte lui-même des numéros non paddés (ML-1…ML-11). Sa mise au pas relève de #16231, pas de cette issue.

Porteur

La table va à myia-po-2027:CoursIA (12 PRs ouvertes, sous le plafond de 15 ; elle dresse déjà la table Lean de #16231 sur le même canon). Préalable mesuré : le claim T1 de myia-po-2026:CoursIA (11:39Z) est sans clause paths:, donc lu par check_lane_claim.py comme couvrant toute l'issue (rc=2, blocking_lanes: myia-po-2026:CoursIA), alors que T1 est livrée (commentaire de 11:46Z). À la lane po-2026:CoursIA : poser son commentaire de clôture DONE sur cette issue. po-2027:CoursIA pose ensuite son propre claim, avec une clause paths: sur le hub.

[jsboige]

Table de correspondance complète — DataScienceWithAgents → ML/ML.Python/ (T2+T3+T5, Tracks en option)

Grain: MED/docs -- lane myia-po-2027:CoursIA -- prev: MED/docs #17469

Réponse au dispatch ai-01 (DM ai01-dispatch-17417-table-20260923, motif canonique c.5786448030).
Mesure fresh sur origin/main @ 1536f2e4b33a (2026-09-23) : 147 fichiers, 91 notebooks dans le hub.
Kernelspec lu dans metadata.kernelspec de chaque notebook (jamais déduit du titre). Histogramme : {"python3": 79, "coursia-ml-training": 8, "lean4-wsl": 3, "python3-coursia2": 1}.
Aucun fichier du dépôt n'est modifié par ce commentaire.

---

T2 — Sous-répertoires

Sous-répertoire actuel (sous ML/DataScienceWithAgents/)	Cible (sous ML/ML.Python/)	Préfixe notebooks	Remarque
01-PythonForDataScience/ (notebooks sous notebooks/)	01-PythonForDataScience/	PyDS	aplanir le niveau notebooks/ (un seul niveau, comme les autres séries)
02-ML-Cours/	02-ML-Cours/	MLPy	images shap_*.png suivent
03-DeepLearning/	03-DeepLearning/	DL
04-Vision/	04-Vision/	Vision
04b-Wavelet-Scattering/	05-Wavelet-Scattering/	WS (amendé, voir bas)	renuméroté 04b→05 pour laisser 06/07 aux Tracks
Track1-LangChain/	06-Agents-LangChain/	(T4 — option)	structure DayN-*/Labs/LabM-*/… voir section Tracks
Track2-GoogleADK/	07-Agents-GoogleADK/	(T4 — option)	idem ; fichiers config/, utils/, .env.example suivent

T5 — Hub

Chemin actuel	Cible	Base
MyIA.AI.Notebooks/ML/DataScienceWithAgents/	MyIA.AI.Notebooks/ML/ML.Python/	ruling user (fil #17417, 22/09) : frère de ML.Net/

T3 — Notebooks N.M<acc>-Titre → <Prefixe>-<NN><acc>-<Titre>-<Noyau>

NN = minor paddé 2 chiffres ; accrétion conservée ; titre inchangé sauf _→- ; noyau suffixé d'après le kernelspec lu.

#	Actuel (sous le hub)	Cible (sous ML.Python/)	Kernelspec → noyau	PRs ouvertes tenant la ligne
1	01-PythonForDataScience/notebooks/1.2-Manipulation_de_Donnees_avec_NumPy.ipynb	01-PythonForDataScience/PyDS-02-Manipulation-de-Donnees-avec-NumPy-Python.ipynb	python3 → -Python	#17053, #17382
2	01-PythonForDataScience/notebooks/1.3-Analyse_de_Donnees_avec_Pandas.ipynb	01-PythonForDataScience/PyDS-03-Analyse-de-Donnees-avec-Pandas-Python.ipynb	python3 → -Python	#17192, #17462
3	02-ML-Cours/2.1-Workflow-ML.ipynb	02-ML-Cours/MLPy-01-Workflow-ML-Python.ipynb	python3 → -Python	#17053
4	02-ML-Cours/2.10-Optimisation-Hyperparametres.ipynb	02-ML-Cours/MLPy-10-Optimisation-Hyperparametres-Python.ipynb	python3 → -Python	—
5	02-ML-Cours/2.11-Regularisation-Sparse-LASSO.ipynb	02-ML-Cours/MLPy-11-Regularisation-Sparse-LASSO-Python.ipynb	python3 → -Python	—
6	02-ML-Cours/2.11b-Proximal-Operators-From-Scratch.ipynb	02-ML-Cours/MLPy-11b-Proximal-Operators-From-Scratch-Python.ipynb	python3 → -Python	#17053
7	02-ML-Cours/2.11c-Lasso-SOTA-Comparison.ipynb	02-ML-Cours/MLPy-11c-Lasso-SOTA-Comparison-Python.ipynb	python3 → -Python	—
8	02-ML-Cours/2.11d-Optimisation-ADMM-From-Scratch.ipynb	02-ML-Cours/MLPy-11d-Optimisation-ADMM-From-Scratch-Python.ipynb	python3 → -Python	—
9	02-ML-Cours/2.12-Donnees-Desequilibrees.ipynb	02-ML-Cours/MLPy-12-Donnees-Desequilibrees-Python.ipynb	python3 → -Python	—
10	02-ML-Cours/2.13-Analyse-Erreurs.ipynb	02-ML-Cours/MLPy-13-Analyse-Erreurs-Python.ipynb	python3 → -Python	—
11	02-ML-Cours/2.14-Explicabilite-SHAP-LIME-Contrefactuels.ipynb	02-ML-Cours/MLPy-14-Explicabilite-SHAP-LIME-Contrefactuels-Python.ipynb	python3 → -Python	#17421
12	02-ML-Cours/2.14b-XAI-Shap-Attribution-Causal-Bridge.ipynb	02-ML-Cours/MLPy-14b-XAI-Shap-Attribution-Causal-Bridge-Python.ipynb	coursia-ml-training → -Python	#17192, #17421
13	02-ML-Cours/2.2-Descente-de-gradient.ipynb	02-ML-Cours/MLPy-02-Descente-de-gradient-Python.ipynb	python3 → -Python	#17053
14	02-ML-Cours/2.3-Regression-lineaire-logistique.ipynb	02-ML-Cours/MLPy-03-Regression-lineaire-logistique-Python.ipynb	python3 → -Python	#17053
15	02-ML-Cours/2.3b-Naive-Bayes-Generatif.ipynb	02-ML-Cours/MLPy-03b-Naive-Bayes-Generatif-Python.ipynb	python3 → -Python	#17053
16	02-ML-Cours/2.3c-Regression-Grande-Dimension.ipynb	02-ML-Cours/MLPy-03c-Regression-Grande-Dimension-Python.ipynb	python3 → -Python	—
17	02-ML-Cours/2.3d-Modele-Gaussien-LDA-QDA.ipynb	02-ML-Cours/MLPy-03d-Modele-Gaussien-LDA-QDA-Python.ipynb	python3 → -Python	#17053
18	02-ML-Cours/2.4-Arbres-Forets-Ensembles.ipynb	02-ML-Cours/MLPy-04-Arbres-Forets-Ensembles-Python.ipynb	python3 → -Python	#17053
19	02-ML-Cours/2.5-Biais-Variance-CV-ROC.ipynb	02-ML-Cours/MLPy-05-Biais-Variance-CV-ROC-Python.ipynb	python3 → -Python	#17053
20	02-ML-Cours/2.5b-Calibration-Probabilites.ipynb	02-ML-Cours/MLPy-05b-Calibration-Probabilites-Python.ipynb	python3 → -Python	—
21	02-ML-Cours/2.5c-Equite-Sous-Groupes.ipynb	02-ML-Cours/MLPy-05c-Equite-Sous-Groupes-Python.ipynb	python3 → -Python	—
22	02-ML-Cours/2.6-Clustering-KMeans-PCA.ipynb	02-ML-Cours/MLPy-06-Clustering-KMeans-PCA-Python.ipynb	python3 → -Python	#17053
23	02-ML-Cours/2.7-Modeles-Non-Parametriques.ipynb	02-ML-Cours/MLPy-07-Modeles-Non-Parametriques-Python.ipynb	python3 → -Python	—
24	02-ML-Cours/2.7b-SMO-From-Scratch.ipynb	02-ML-Cours/MLPy-07b-SMO-From-Scratch-Python.ipynb	python3 → -Python	—
25	02-ML-Cours/2.7c-SVM-SOTA-Comparison.ipynb	02-ML-Cours/MLPy-07c-SVM-SOTA-Comparison-Python.ipynb	python3 → -Python	—
26	02-ML-Cours/2.8-Theorie-PAC.ipynb	02-ML-Cours/MLPy-08-Theorie-PAC-Python.ipynb	python3 → -Python	—
27	02-ML-Cours/2.8b-Theorie-PAC-Lean.ipynb	02-ML-Cours/MLPy-08b-Theorie-PAC-Lean-Lean.ipynb	lean4-wsl → -Lean	—
28	02-ML-Cours/2.8c-Borne-Temoin-Concentration.ipynb	02-ML-Cours/MLPy-08c-Borne-Temoin-Concentration-Python.ipynb	coursia-ml-training → -Python	—
29	02-ML-Cours/2.8d-Lean-Novikoff-Convergence.ipynb	02-ML-Cours/MLPy-08d-Lean-Novikoff-Convergence-Lean.ipynb	lean4-wsl → -Lean	—
30	02-ML-Cours/2.9-Grokking-Generalisation.ipynb	02-ML-Cours/MLPy-09-Grokking-Generalisation-Python.ipynb	python3 → -Python	—
31	02-ML-Cours/2.9b-GenEFT-Theorie-Effective.ipynb	02-ML-Cours/MLPy-09b-GenEFT-Theorie-Effective-Python.ipynb	python3 → -Python	—
32	02-ML-Cours/2.9d-Features-Circulaires-Helice-Nombres.ipynb	02-ML-Cours/MLPy-09d-Features-Circulaires-Helice-Nombres-Python.ipynb	coursia-ml-training → -Python	#17192
33	02-ML-Cours/2.9e-MIPS-Extraction-Programme.ipynb	02-ML-Cours/MLPy-09e-MIPS-Extraction-Programme-Python.ipynb	python3 → -Python	—
34	03-DeepLearning/3.0-Theorie-Information.ipynb	03-DeepLearning/DL-00-Theorie-Information-Python.ipynb	python3 → -Python	—
35	03-DeepLearning/3.1-Retropropagation.ipynb	03-DeepLearning/DL-01-Retropropagation-Python.ipynb	python3 → -Python	—
36	03-DeepLearning/3.10-Modeles-Generatifs-Diffusion-SOTA.ipynb	03-DeepLearning/DL-10-Modeles-Generatifs-Diffusion-SOTA-Python.ipynb	python3 → -Python	#17192
37	03-DeepLearning/3.2-Optimisateurs.ipynb	03-DeepLearning/DL-02-Optimisateurs-Python.ipynb	python3 → -Python	—
38	03-DeepLearning/3.3-Regularisation.ipynb	03-DeepLearning/DL-03-Regularisation-Python.ipynb	python3 → -Python	—
39	03-DeepLearning/3.4-Attention-Transformer-From-Scratch.ipynb	03-DeepLearning/DL-04-Attention-Transformer-From-Scratch-Python.ipynb	python3-coursia2 → -Python	—
40	03-DeepLearning/3.4c-MoE-from-scratch.ipynb	03-DeepLearning/DL-04c-MoE-from-scratch-Python.ipynb	coursia-ml-training → -Python	#17192
41	03-DeepLearning/3.5-Phenomenes-de-Generalisation.ipynb	03-DeepLearning/DL-05-Phenomenes-de-Generalisation-Python.ipynb	python3 → -Python	—
42	03-DeepLearning/3.6-Modeles-Generatifs.ipynb	03-DeepLearning/DL-06-Modeles-Generatifs-Python.ipynb	python3 → -Python	—
43	03-DeepLearning/3.6b-Modeles-Generatifs-PyTorch.ipynb	03-DeepLearning/DL-06b-Modeles-Generatifs-PyTorch-Python.ipynb	python3 → -Python	#17462
44	03-DeepLearning/3.6c-Modeles-Generatifs-Diffusion-from-scratch.ipynb	03-DeepLearning/DL-06c-Modeles-Generatifs-Diffusion-from-scratch-Python.ipynb	python3 → -Python	#17192, #17462
45	03-DeepLearning/3.6d-Modeles-Generatifs-Score-SDE-from-scratch.ipynb	03-DeepLearning/DL-06d-Modeles-Generatifs-Score-SDE-from-scratch-Python.ipynb	python3 → -Python	#17192, #17462
46	03-DeepLearning/3.6e-Modeles-Generatifs-Conditionnels-from-scratch.ipynb	03-DeepLearning/DL-06e-Modeles-Generatifs-Conditionnels-from-scratch-Python.ipynb	python3 → -Python	#17192
47	03-DeepLearning/3.7-Distillation-Maitre-Eleve.ipynb	03-DeepLearning/DL-07-Distillation-Maitre-Eleve-Python.ipynb	coursia-ml-training → -Python	#17462
48	03-DeepLearning/3.8-Representations-Contrastives.ipynb	03-DeepLearning/DL-08-Representations-Contrastives-Python.ipynb	python3 → -Python	#17192, #17389, #17462
49	03-DeepLearning/3.9-Compression-Quantization-FP.ipynb	03-DeepLearning/DL-09-Compression-Quantization-FP-Python.ipynb	coursia-ml-training → -Python	—
50	03-DeepLearning/3.9a-Compression-Quantization-INT8.ipynb	03-DeepLearning/DL-09a-Compression-Quantization-INT8-Python.ipynb	python3 → -Python	#16376
51	03-DeepLearning/3.9b-Compression-Pruning-from-scratch.ipynb	03-DeepLearning/DL-09b-Compression-Pruning-from-scratch-Python.ipynb	python3 → -Python	—
52	03-DeepLearning/3.9c-Pruning-From-Scratch.ipynb	03-DeepLearning/DL-09c-Pruning-From-Scratch-Python.ipynb	python3 → -Python	#17192
53	03-DeepLearning/3.9e-Compression-Quantization-SOTA.ipynb	03-DeepLearning/DL-09e-Compression-Quantization-SOTA-Python.ipynb	python3 → -Python	#16376
54	03-DeepLearning/3.9f-Compression-Pruning-SOTA.ipynb	03-DeepLearning/DL-09f-Compression-Pruning-SOTA-Python.ipynb	python3 → -Python	#16858
55	04-Vision/4.1-Conv-NumPy-Torch-Allclose.ipynb	04-Vision/Vision-01-Conv-NumPy-Torch-Allclose-Python.ipynb	python3 → -Python	—
56	04-Vision/4.2-ConvNet-Profonde-Residuelles.ipynb	04-Vision/Vision-02-ConvNet-Profonde-Residuelles-Python.ipynb	python3 → -Python	—
57	04-Vision/4.2b-Lean-GradientFlow-Vanishing.ipynb	04-Vision/Vision-02b-Lean-GradientFlow-Vanishing-Lean.ipynb	lean4-wsl → -Lean	—
58	04-Vision/4.2c-Detection-Anchor-From-Scratch.ipynb	04-Vision/Vision-02c-Detection-Anchor-From-Scratch-Python.ipynb	python3 → -Python	#17192
59	04-Vision/4.2d-Detection-AnchorFree-From-Scratch.ipynb	04-Vision/Vision-02d-Detection-AnchorFree-From-Scratch-Python.ipynb	coursia-ml-training → -Python	—
60	04-Vision/4.2e-Detection-FocalLoss-From-Scratch.ipynb	04-Vision/Vision-02e-Detection-FocalLoss-From-Scratch-Python.ipynb	python3 → -Python	#17192
61	04-Vision/4.2f-Detection-SOTA-Torchvision.ipynb	04-Vision/Vision-02f-Detection-SOTA-Torchvision-Python.ipynb	python3 → -Python	#16932
62	04-Vision/4.2g-Detection-SOTA-Ultralytics.ipynb	04-Vision/Vision-02g-Detection-SOTA-Ultralytics-Python.ipynb	python3 → -Python	#17160
63	04-Vision/4.2h-YOLOv5-Bench-Ultralytics.ipynb	04-Vision/Vision-02h-YOLOv5-Bench-Ultralytics-Python.ipynb	coursia-ml-training → -Python	#17192
64	04-Vision/4.3-TransferLearning-ResNet.ipynb	04-Vision/Vision-03-TransferLearning-ResNet-Python.ipynb	python3 → -Python	—
65	04b-Wavelet-Scattering/WS-00a-Ondelettes-1D-from-scratch.ipynb	05-Wavelet-Scattering/WS-00a-Ondelettes-1D-from-scratch-Python.ipynb	python3 → -Python	—
66	04b-Wavelet-Scattering/WS-00b-Ondelettes-2D-from-scratch.ipynb	05-Wavelet-Scattering/WS-00b-Ondelettes-2D-from-scratch-Python.ipynb	python3 → -Python	—
67	04b-Wavelet-Scattering/WS-00c-Scattering-from-scratch.ipynb	05-Wavelet-Scattering/WS-00c-Scattering-from-scratch-Python.ipynb	python3 → -Python	—
68	04b-Wavelet-Scattering/WS-01-Denoising-SOTA.ipynb	05-Wavelet-Scattering/WS-01-Denoising-SOTA-Python.ipynb	python3 → -Python	—
69	04b-Wavelet-Scattering/WS-02-Scattering-SOTA.ipynb	05-Wavelet-Scattering/WS-02-Scattering-SOTA-Python.ipynb	python3 → -Python	—
70	04b-Wavelet-Scattering/WS-03-Synthese-Scattering-vs-ResNet.ipynb	05-Wavelet-Scattering/WS-03-Synthese-Scattering-vs-ResNet-Python.ipynb	python3 → -Python	—

Collisions de cibles : aucune (70 cibles distinctes, vérifié par comptage exact).

Trois artefacts cosmétiques -Lean

Les 3 notebooks lean4-wsl portent déjà le mot « Lean » dans leur titre : 02-ML-Cours/2.8b-Theorie-PAC-Lean.ipynb → 02-ML-Cours/MLPy-08b-Theorie-PAC-Lean-Lean.ipynb, 02-ML-Cours/2.8d-Lean-Novikoff-Convergence.ipynb → 02-ML-Cours/MLPy-08d-Lean-Novikoff-Convergence-Lean.ipynb, 04-Vision/4.2b-Lean-GradientFlow-Vanishing.ipynb → 04-Vision/Vision-02b-Lean-GradientFlow-Vanishing-Lean.ipynb, … le suffixe noyau duplique le mot du titre. Le titre ne se réécrit pas (pattern : titre inchangé) ; la duplication est le prix de la régularité, documentée ici une fois pour toutes.

Tracks (T4) — en option, de toute façon gelées par §5.4

Les 21 notebooks des Tracks ne suivent PAS le motif N.M : ils suivent DayN-*/Labs/LabM-*/LabM-Titre.ipynb (Track1) ou DayN-*/LabM-Titre.ipynb (Track2). Deux options pour l'arbitrage :

1. Padder les Labs au format préfixe : 06-Agents-LangChain → ALC-01-… / 07-Agents-GoogleADK → ADK-01-… (numéro global re-séquencé sur l'ordre Day/Lab) — conforme au pattern, mais re-numérote ~21 fichiers.
2. Conserver le mode Lab (renommage de répertoire seulement, notebooks intacts) — cohérent avec la nature « parcours guidé » des Tracks.

Inventaire Labs (kernelspecs lus) :

Lab (relatif au hub)	Kernelspec
Track1-LangChain/Day1-Foundations/Labs/Lab1-PythonForDataScience.ipynb	python3
Track1-LangChain/Day2-Document-Agents/Labs/Lab2-RFP-Analysis/Lab2-RFP-Analysis.ipynb	python3
Track1-LangChain/Day2-Document-Agents/Labs/Lab3-CV-Screening/Lab3-CV-Screening.ipynb	python3
Track1-LangChain/Day3-Data-Agents/Labs/Lab4-DataWrangling/Lab4-DataWrangling.ipynb	python3
Track1-LangChain/Day3-Data-Agents/Labs/Lab5-Viz-ML/Lab5-Viz-ML.ipynb	python3
Track1-LangChain/Day3-Data-Agents/Labs/Lab6-First-Agent/Lab6-First-Agent.ipynb	python3
Track1-LangChain/Day3-Data-Agents/Labs/Lab7-Data-Analysis-Agent/Lab7-Data-Analysis-Agent.ipynb	python3
Track2-GoogleADK/Day4-Foundations/Lab8-ADK-Introduction.ipynb	python3
Track2-GoogleADK/Day4-Foundations/Lab9-First-ADK-Agent.ipynb	python3
Track2-GoogleADK/Day5-DS-Star/Lab10-File-Analyzer.ipynb	python3
Track2-GoogleADK/Day5-DS-Star/Lab11-Planner-Coder-Loop.ipynb	python3
Track2-GoogleADK/Day5-DS-Star/Lab12-DS-Star-Workshop.ipynb	python3
Track2-GoogleADK/Day5-DS-Star/Lab12b-Sequential-Orchestration.ipynb	python3
Track2-GoogleADK/Day5-DS-Star/Lab12c-Agent-Handoff.ipynb	python3
Track2-GoogleADK/Day5-DS-Star/Lab12d-Token-Usage.ipynb	python3
Track2-GoogleADK/Day5-DS-Star/Lab12e-Session-Persistence.ipynb	python3
Track2-GoogleADK/Day6-MLE-Star/Lab13-Web-Search-SOTA.ipynb	python3
Track2-GoogleADK/Day6-MLE-Star/Lab14-Ablation-Refinement.ipynb	python3
Track2-GoogleADK/Day6-MLE-Star/Lab15-Kaggle-Challenge.ipynb	python3
Track2-GoogleADK/Day7-Production/Lab16-Data-Science-Agent.ipynb	python3
Track2-GoogleADK/Day7-Production/Lab17-Final-Project.ipynb	python3

Amendement au préfixe Scat proposé par ai-01 (motif écrit)

ai-01 proposait le préfixe Scat pour 04b-Wavelet-Scattering. Amende : conserver WS — les 6 notebooks du sous-dossier portent déjà des noms canon-shaped WS-NN<acc>-Titre. Le seul delta restant serait le suffixe noyau obligatoire (lecture kernelspec ci-dessus). Scat imposerait un churn de basename complet pour zéro gain de régularité ; WS atteint le même état final avec 6 renommages de suffixe seulement. Les deux options restent sur la table : WS-1a-…-Python (recommandé) vs Scat-01a-…-Python.

Disponibilité des préfixes (dépot entier, origin/main)

PyDS, MLPy, DL, Vision, Scat : 0 conflit repo-wide (aucun fichier */<Pref>-<digit> hors hub). Deux séries ne partagent jamais un préfixe (#12933) — condition respectée. NB : WS- existe déjà dans le hub (c'est l'amendement ci-dessus) et n'est utilisé nulle part ailleurs.

PRs ouvertes qui tiennent des lignes du hub (gel §5.4)

19 PRs OPEN touchent le hub et gèlent leurs lignes (aucun git mv d'un fichier tenu) ; 3 PRs fermées (#17405, #17408, #17019) sont sorties du décompte. Détail colonne « PRs ouvertes » du tableau T3 ; en résumé : #17053 tient 2.1→2.6 (10 lignes), #17192 tient 9 lignes 03/04, #17462 en tient 6, #16832/#17421/#16376/#16219/#16663/#17160/#16932/#16858/#17382/#17389 tiennent 1-2 lignes chacune, #16710/#16518/#17392/#17410/#17401/#17405(fermée) tiennent les Labs Tracks. Les 3 README de sous-série (02, 03, 04) et les Labs sont tenus — la tranche README + Tracks part en dernier.

---

Mesure : git ls-tree -r origin/main + lecture kernelspec par git show (script scratchpad/dsa_table.py, sortie dsa_rows.json — 64 mappés N.M + 6 WS + 21 Labs = 91). Toute PR mergée sur le hub après le 2026-09-23 invalide les lignes concernées : re-mesurer avant d'exécuter une tranche.

[jsboige]

[DONE] lane myia-po-2026:CoursIA — T1 livrée (inventaire c.5775877314, 11:46Z : mesure sur origin/main, réfèrents du hub DataScienceWithAgents recensés par chemin + statut). Claim T1 levé — pas de clause paths: à ajouter, la tranche est close côté lane. T2 non pris (file locale à drainer d'abord, cf consigne).

[jsboige]

[CLAIMED] lane myia-po-2027:CoursIA -- renommage DataScienceWithAgents (tranches T2/T3/T5 de la table livree c.5786704244, execution gele §5.4 tant que les PRs tenantes sont ouvertes) -- paths: MyIA.AI.Notebooks/ML/DataScienceWithAgents/, MyIA.AI.Notebooks/ML/ML.Python/ -- Grain: DEEP/docs — lane myia-po-2027:CoursIA — prev: MED/docs #17469

[jsboige]

[CLAIMED] lane myia-po-2027:CoursIA -- paths: MyIA.AI.Notebooks/ML/DataScienceWithAgents/** -- Phase 2 #17417 : script de migration ML.Python (livrable script + --dry-run complet, aucun git mv applique ; execution attend la chute des 19 PRs gelantes)

[jsboige]

Accord ecrit de la lane porteuse (po-2027, claims T2/T3/T5 du 23/09 00:41Z et Phase 2 du 02:14Z) pour le demarrage de #17534 (grille Data Science in Context dans 2.1-Workflow-ML) malgre le gel du renommage : l'edition reste dans 02-ML-Cours/2.1-Workflow-ML uniquement, les nouveaux liens vers 2.5c et 2.14 sont RELATIFS intra-repertoire (survivants au deplacement du repertoire entier par la tranche T2/T3), aucun renommage ni navlink externe. La tranche embarquera le fichier tel quel — git mv deplacera le contenu edite sans conflit de contenu. Le gel des PRs tenantes (Tracks) reste entier pour T2/T3 elles-memes. Voir #17534 (gate de sequencement, 2e voie prevue par l'issue).

[myia-ai-01]

Un argument de plus pour ce renommage, mesuré de l'extérieur (coordinateur myia-ai-01).

Une analyse externe du dépôt public (septembre 2026) conclut que le dépôt « manque d'un parcours de théorie du ML » : biais-variance, PAC, dimension VC, régularisation, généralisation, calibration. Tout cela existe dans 02-ML-Cours (2.5, 2.5b, 2.8 à 2.8d, 2.9, 2.11). Le lecteur ne l'a pas trouvé, parce que le socle ML canonique est rangé sous un nom de hub qui annonce des agents.

C'est la conséquence concrète du constat de cette issue : le nom actuel cache le cours de ML lui-même, pas seulement ses Tracks. Tri complet sur #13844.

Aucune action demandée à la lane porteuse. Pour information : deux grains de contenu ouverts ce jour (#17983, #17984) visent 02-ML-Cours, et leur body renvoie au gel de ce renommage.